R语言提取最长匹配字符串：解决空格导致匹配不完整问题

问题背景 #

从数据框的address列中提取与指定字符向量匹配的名称时，使用str_extract_all因空格存在导致部分匹配结果不完整（如仅匹配到"New"而非"New York"）。

可复现代码：

library(stringr)
library(dplyr)
library(tidyr)
library(stringi)

data <- data.frame (address  = c("to New York street", "to New cafe", "to Paris avenue", "to London hostel"))

search_string<-c("London","Paris", "New", "New York")%>% paste(collapse = " |to ")

data %>% dplyr::mutate(temp_com = str_extract_all(paste(address), search_string)) 

当前执行结果：

address  temp_com
1 to New York street   to New 
2        to New cafe   to New 
3    to Paris avenue to Paris 
4   to London hostel   London 

期望结果：

address  temp_com
1 to New York street   to New York 
2        to New cafe   to New 
3    to Paris avenue to Paris 
4   to London hostel   London 

解决方案 #

核心是让正则优先匹配更长的字符串——正则默认按顺序匹配，遇到第一个符合项就停止，因此需要把长匹配项放在搜索列表的最前面。

修改后的代码 #

library(stringr)
library(dplyr)
library(stringi)

data <- data.frame(address = c("to New York street", "to New cafe", "to Paris avenue", "to London hostel"))

# 按字符串长度降序排序搜索项，确保长串优先被匹配
search_terms <- c("London", "Paris", "New", "New York") %>%
  stri_order(by_length = TRUE, decreasing = TRUE) %>%
  .[search_terms]

# 构建正则表达式：可选匹配前缀"to "，用|分隔所有搜索项
search_pattern <- paste0("(to )?", paste(search_terms, collapse = "|"))

# 用str_extract提取第一个（即最长的）匹配结果
data %>%
  mutate(temp_com = str_extract(address, search_pattern))

代码说明 #

1. 排序搜索项：通过stri_order按字符串长度降序排列，让"New York"排在"New"之前，确保正则先尝试匹配更长的有效字符串。
2. 正则构建：(to )?实现可选匹配前缀"to "，兼容带/不带该前缀的场景；用|分隔所有搜索项，形成完整匹配规则。
3. 提取结果：str_extract默认返回第一个匹配项，此时因为长串优先排序，第一个匹配就是我们需要的最长有效结果。

执行结果：

address    temp_com
1 to New York street to New York
2        to New cafe       to New
3    to Paris avenue     to Paris
4   to London hostel       London

内容的提问来源于stack exchange，提问作者Coralie